Download
1 / 26
260 likes | 459 Views
ALGORYTMY I STRUKTURY DANYCH. WYKŁAD 06 c.d. Sortowanie Grażyna Mirkowska PJWSTK , semestr zimowy 2002. Plan wykładu. Szybkie sortowanie Drzewa decyzyjne Dolne oszacowanie złożoności problemu sortowania przez porównywanie elementów Sortowanie z kosztem liniowym Sortowanie koszykowe
E N D
ALGORYTMY I STRUKTURY DANYCH WYKŁAD 06 c.d. Sortowanie Grażyna Mirkowska PJWSTK , semestr zimowy 2002
Plan wykładu • Szybkie sortowanie • Drzewa decyzyjne • Dolne oszacowanie złożoności problemu sortowania przez porównywanie elementów • Sortowanie z kosztem liniowym • Sortowanie koszykowe • Sortowanie przez zliczanie G. Mirkowska, ASD_06 Sortowanie c.d.
Szybkie sortowanie Dziel i zwyciężaj Metoda : Krok 1. Rozdzielić elementy danego ciągu e1,e2,... ,en na dwie części względem pewnego ustalonego elementu, tzw. Mediany, tak by a lewo od niego znajdowały się elementy mniejsze, a na prawo elementy większe. Krok 2. Posortować elementy na lewo od mediany. Krok 3. Posortować elementy znajdujące się na prawo od mediany. G. Mirkowska, ASD_06 Sortowanie c.d.
Przykład wykonania 10 5 7 8 14 12 3 4 1 Rozdzielanie ze względu na wybraną medianę 5 7 8 1 4 3 10 12 14 3 4 1 5 8 7 12 14 Stosujemy rekurencyjnie tę samą zasadę do obu części 1 3 4 7 8 1 3 4 5 7 8 10 12 14 Ostatecznie : G. Mirkowska, ASD_06 Sortowanie c.d.
Sortowanie szybkie - algorytm Dane: n>0, ciąg e[1],..., e[n]. procedure QS(lewy,prawy) {if (prawy > lewy) then Split (lewy,prawy,j); QS(lewy,j-1); QS(j+1,prawy); fi} lewy prawy Algorytm Split Quick_sort {e[lewy],..., e[j-1]}< e[j] {e[j+1],...,e[prawy]} e[lewy] ... e[j-1] e[j] {e[j+1],...,e[prawy]} e[lewy] ... e[j-1] e[j] e[j+1] ... e[prawy] G. Mirkowska, ASD_06 Sortowanie c.d.
Najgorszy przypadek Koszt pesymistyczny algorytmu Quicksort mierzony liczbą porównań wynosi : W(n) = (n 2) Twierdzenie Jak wygląda najgorszy przypadek ? 1 2 3 4 5 6 7 8 9 Jeśli Split jako medianę wybiera zawsze pierwszy element, to w wyniku rozdzielenia, jedna część „młodsza” będzie pusta , a druga „starsza” będzie zawierała o jeden element mniej niż w poprzednim kroku. Koszt Operacji rozdzielania SPLIT dla n elementowego ciągu wynosi n-1 porównań. Ostatecznie : W(n) = (n-1) +W(n-1)= S i=2...n (i-1) = (n2) G. Mirkowska, ASD_06 Sortowanie c.d.
1 n j j-1 n-j Koszt średni Zakładamy, że wszystkie ustawienia elementów w ciągu i każdy podział w wyniku Split są jednakowo prawdopodobne. Koszt średni algorytmu QuickSort, mierzony liczbą porównań, wynosi A(n) = (n lg n) Twierdzenie A(n) = (n-1) + Sj=1...n (1/n (A(j-1) + A(n-j))) A(0) = 0 Ostatecznie : A(0) = 0A(n) = (n-1) + Sj=1...n-1 A(j) 2/n A(n)=cn lg n G. Mirkowska, ASD_06 Sortowanie c.d.
Drzewo decyzyjne Niech SORT oznacza dowolny algorytm rozwiązujący problem sortowania przez porównywanie elementów. Drzewem decyzyjnym dla algorytmu SORT nazywamy drzewo lokalnie pełne (tzn. każdy wierzchołek ma 0 albo 2 następniki) takie, że - etykietami wierzchołków są zdania opisujące relacje między elementami, - etykietami liści są uporządkowane permutacje wynikające z relacji między elementami na ścieżce prowadzącej do tego liścia. Definicja G. Mirkowska, ASD_06 Sortowanie c.d.
e1 e2 Tak Nie e1 e3 e2 e3 e2 e3 e2 e1 . . . e2 e1 e1,e2,e3 e1,e3, e2 e3,e2,e1 e3,e1,e2 Przykład Drzewo decyzyjne dla algorytmu Selection_sort zastosowanego do ciągu 3 elementowego e1,e2, e3. G. Mirkowska, ASD_06 Sortowanie c.d.
Przykład Drzewo decyzyjne dla algorytmu Insertion_sort zastosowanego do 3 elementowego ciągu e1,e2, e3. e1 e2 Tak Nie e2 e3 e3 e1 e1,e2, e3 e2 e3 e2, e1,e3 e1 e3 e1,e3,e2 e3,e1,e2 e2,e3,e1 e3,e2,e1 G. Mirkowska, ASD_06 Sortowanie c.d.
h h+1 y Własności drzew decyzyjnych Jeżeli f jest liczbą liści w drzewie binarnym, a h jego wysokością, to (i) f 2 h (ii) h lg f Lemat 1 Dowód : (i) Indukcja po h. y=Nie- liście na poziomie h Krok indukcyjny: f 2y + (2 h - y) = y+2 h 2 h + 2 h (ii) Z (i) przez logarytmowanie. G. Mirkowska, ASD_06 Sortowanie c.d.
Oszacowanie w najgorszym przypadku Każde drzewo decyzyjne dla algorytmu sortującego ciąg n-elementowy przez porównywanie elementów, ma co najmniej wysokość log n! Lemat2 Drzewo decyzyjne ma co najmniej n! liści. Stąd i z lematu 1 - teza Każdy algorytm sortujący ciąg n elementowy przez porównywanie elementów musi wykonać co najmniejlog n! porównań w najgorszym wypadku. Lemat3 W(n) n lg n G. Mirkowska, ASD_06 Sortowanie c.d.
D*f . . . . . . Df . . . . . . x . . . x . . . Poziom h -1 y y y1 y2 y1 y2 Własności c.d. Niech D będzie drzewem binarnym, a p(x) - długość ścieżki od korzenia do liścia x. Epl(D) = Sx D p(x) Lemat4 Wśród drzew lokalnie pełnych o f liściach Df wartość epl(Df) jest najmniejsza, gdy liście znajdują się jedynie na dwóch ostatnich poziomach. Poziom k, k h-2 Dowód: Epl(D*f) < Epl(Df) G. Mirkowska, ASD_06 Sortowanie c.d.
Df Poziom p Minimalne epl. Min {epl(Df): DfD}= f lg f + 2( f-2 lg f ) Lemat5 Dowód : Niech Df będzie drzewem, dla którego epl osiąga minimum. Przypadek 1 f = 2p . Wszystkie liście są na poziome p epl(Df)= f * lg f G. Mirkowska, ASD_06 Sortowanie c.d.
Df x Minimalne epl c.d. Przypadek 2 2 p-1 < f < 2 p. Z lematu 1 h lg f Z lematu 3 wszystkie liście są na poziomach h i h-1. Czyli h = lg f. h Epl(Df)= x (h-1) + z h = =(2 h -f)(h-1) + (2f -2h) h = hf + f - 2 h z Liście na poziomie h-1 x = f - z Liście na poziomie h cbdo z =2( 2 h-1 - x) G. Mirkowska, ASD_06 Sortowanie c.d.
Koszt średni Średnia liczba porównań wykonywanych przez dowolny algorytm sortujący ciąg n-elementowy przez porównywanie elementów jest nie mniejsza niż lg n! . Lemat6 Średnia wysokość drzewa decyzyjnego h epl min(D)/n! Dowód : Ale dla dowolnego x, x/2 2 lgx x h (n! lg n! + 2( n!-2 lg n! ))/n! Czyli 2( n!-2 lg n! )/n! 0 Ostatecznie h lg n! G. Mirkowska, ASD_06 Sortowanie c.d.
Wniosek Dolnym ograniczeniem na liczbę porównań wykonanych przez algorytm sortujący przez porównywanie elementów jest w przypadku średnim (n lg n). Wniosek1 Algorytm QuickSort jest optymalnym algorytmem ze względu na średnią złożoność czasową. Wniosek2 G. Mirkowska, ASD_06 Sortowanie c.d.
Sortowanie z kosztem liniowym Załóżmy, że dane wejściowe a[1],...,a[n] są generowane losowo z rozkładem jednorodnym oraz że a[i] {0,..., k-1} dla pewnej ustalonej (niezbyt dużej) liczby k. Sortowanie koszykowe Krok 1. Utworzyć k pustych koszyków o numerach od 0 do k-1. Krok2 i-ty element ciągu wkładamy do koszyka o numerze a[i]. Krok 3. Wyjmujemy elementy z kolejnych koszyków od 0 do k-1, otrzymując posortowany ciąg. (k) Czasu na tworzenie koszyków Koszt : (n) Czasu na rozrzucanie elementów G. Mirkowska, ASD_06 Sortowanie c.d.
1 2 3 4 5 6 7 Sortowanie przez zliczanie Założenie: dany n elementowy ciąg o elementach z przedziału [1,k], k N. Metoda Metoda polega na znalezieniu dla każdego x liczby elementów mniejszych równych niż x. Pozwoli to ustalić właściwą pozycję x w tablicy wyjściowej. 7 ma trafić na pozycję 5, bo są 4 elementy od niej mniejsze 6 7 3 2 9 1 8 Przykład Powinna trafić na pozycje 4, bo są 3 liczby mniejsze 3 6 7 itd. 3 powinna trafić na pozycje trzecią, bo są 2 elementy mniejsze od niej G. Mirkowska, ASD_06 Sortowanie c.d.
Sortowanie przez zliczanie { // a- tablica danych, B tablica wyników, C tablica pomocnicza.for i := 1 to k do C[i] := 0 od; for j := 1 to n do C[a[j]] := C[a[j]] +1 od; for i := 2 to k do C[i] := C[i] + C[i-1] od; for j := n downto 1 do B[C[a[j]]] := a[j]; C[a[j]] := C[a[j]] –1 od; } C[i] = liczba elementów równych i C[i] = liczba elementów mniejszych równych i Na lewo od pozycji C[a[j]] leżą elementy od a[j], a na prawo > a[j]. C[a[j]] wskazuje liczbę jeszcze nie wpisanych elemementów a[j] Koszt : O(k+n) G. Mirkowska, ASD_06 Sortowanie c.d.
C: B: 1 2 3 4 5 6 1 2 3 4 5 6 7 8 Przykład Dana Tablica A: 1 2 3 4 5 6 7 8 -----------------------------k=6 n= 8 3 6 4 1 3 4 1 4 0 0 0 0 0 0 2 0 2 3 0 1 2 2 4 7 7 8 Po drugiej pętli „for” 0 0 0 0 0 0 4 0 2 2 4 6 7 8 Po trzeciej pętli „for” Uwaga -Stabilność Po pierwszej pętli „for” 1 2 4 6 7 8 0 1 0 0 0 0 4 0 1 2 4 5 7 8 0 1 0 0 0 4 4 0 1 2 3 5 7 8 0 1 0 3 0 4 4 0 0 2 3 5 7 8 1 1 0 3 0 4 4 0 0 2 3 4 7 8 1 1 0 3 4 4 4 0 0 2 3 4 7 7 1 1 0 3 4 4 4 6 0 2 2 4 7 7 1 1 3 3 4 4 4 6 G. Mirkowska, ASD_06 Sortowanie c.d.
Sortowanie pozycyjne Dany jest ciąg n-elementów do posortowania. Elementy tego ciągu nie są po prostu liczbami naturalnymi, lecz same mają wewnętrzną strukturę, np.. są to skończone ciągi pewnych obiektów (np.. Liczb, cyfr, znaków itd..). Ale... Takie postępowanie jest kosztowne: Dla elementów, które są ciągami liczb o d cyfrach, trzeba utworzyć 10 d koszyków! Metoda naiwnego rozrzucania Rozrzucić elementy danego ciągu do „koszyków” ze względu na kolejne pozycje w ciągach składowych, tzn. tworzymy pewną liczbę „koszyków” , tak, że i-ty koszyk odpowiada i-tej pozycji w ciągach składowych. Następnie sortujemy każdy z koszyków osobno tą samą metodą. Takie postępowanie nie zawsze daje poprawny wynik np.. Gdy ciągi nie są równej długości. G. Mirkowska, ASD_06 Sortowanie c.d.
Niezmiennik Radix-Sort Dane : tablica n-liczb całkowitych o d cyfrach. Algorytm For k := 1 to d do // rozrzuć wszystkie liczby do ‘kubełków’ o numerach 0, //1, 2,...9 ze względu na k-tą od końca cyfrę . //połącz kubełki w jeden ciąg. od Wszystkie elementy, obcięte do k-1 ostatnich pozycji, tworzą ciąg uporządkowany niemalejąco. T(n) = O(d* n) Koszt : G. Mirkowska, ASD_06 Sortowanie c.d.
Radix-sort Uwaga na implementację kubełków! Dany ciąg : 85 83 63 64 84 15 To nie jest dobre rozwiązanie 6383 8464 1585 Stos 3 Stos 4 Stos 5 Kubełek= stos Po połączeniu : 63 83 84 64 15 85 858483 6463 15 Stos 1 Stos 6 Stos 8 Po połączeniu : 15 64 63 85 84 83 G. Mirkowska, ASD_06 Sortowanie c.d.
c.d. Radix Sort For k := 1 to d do // rozrzuć wszystkie liczby do ‘kubełków’ o //numerach 0, //1, 2,...9 ze względu na k-tą //od końca cyfrę . //połącz kubełki w jeden ciąg. od Użyjmy kolejek jako ‘kubełków’! Dany ciąg : 85 83 63 64 84 15 Kolejka 1: 15 Kolejka 3: 83 63 Kolejka 6: 63 64 Kolejka 4: 64 84 Przykład Kolejka 8: 83 84 85 Kolejka 5: 85 15 15 63 64 83 84 85 83 63 64 84 85 15 G. Mirkowska, ASD_06 Sortowanie c.d.
Poprawność Algorytm RadixSort zaimplementowany z kolejkami ma własność stabilności. Jeżeli elementy x, y są uporządkowane ze względu na k-1 ostatnich cyfr i wpadają do tego samego ‘kubełka’ to po k-tym przebiegu nadal są w tym samym porządku. Twierdzenie Jeżeli wpadają do różnych kubełków, to po k-tym przebiegu są uporządkowane ze względu na k ostatnich cyfr. Albo xk=yk i wtedy x i y trafiają do tej samej kolejki oraz x poprzedza y x = x k+1 10 k+1 + xk 10 k + x’ Albo xk<yk ale wtedy x trafi do kolejki o mniejszym numerze niż y i w takiej kolejności ukażą się po połączeniu y = y k+1 10 k+1 + yk 10 k + y’ x’ < y’, x’,y’< 10 k Albo xk>yk ale wtedy x trafi do kolejki o numerze większym niż y i po połączeniu y ukaże się przed x G. Mirkowska, ASD_06 Sortowanie c.d.
